Anhang A: Fragebögen und sonstige Unterlagen

Größe: px
Ab Seite anzeigen:

Download "Anhang A: Fragebögen und sonstige Unterlagen"

Transkript

1 Anhang Anhang A: Fragebögen und sonstige Unterlagen A.: Flyer zur Probandenrekrutierung 46

2 A.: Fragebogen zur Meditationserfahrung 47

3 48

4 A.3: Fragebogen Angaben zur Person 49

5 5

6 5

7 A.4: Termin- und Einladungsschreiben 5

8 A.5: Einverständniserklärung 53

9 A.6: SAM-Einführung 54

10 55

11 A.7: Fragebogen zur Ausgangslage 56

12 57

13 A.8: achbefragung 58

14 59

15 Anhang B: Stimulus Material B.: IAPS-Bilder bei den Frauen (In der Abfolge der Bilddarbietung im Experiment) B.: IAPS-Bilder bei den Männern (In der Abfolge der Bilddarbietung im Experiment) 6

16 B.3: Miniaturansicht aller verwendeten Bilder Die Lizenzbedingungen erlauben es nicht, die Bilder frei zugänglich zu machen!

17 B: Screenshots der Versuchsinstruktionen & SAM-Ratingskalen B.: Baseline Instruktion B.: Versuchsinstruktion 64

18 B.3: SAM-Ratingskala für die Intensität des Gefühls B.4: SAM-Ratingskala für die Valenz des Gefühl 65

19 Anhang C: SPSS-Tabellen Tabelle 9: Kolmogorov-Smirnov-Tests für alle SAM-Ratings Kolmogorov-Smirnov-Anpassungstest für alle SAM - Ratings Parameter der ormalverteilung a,b Mittelwert Standardabweichung SAM Intensität neg. Bilder SAM Intensität neutr. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder ,548 3,964 5,46 3,79 5,887 6,44,4874,463,453,7589,3848,6795 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),74,8,75,8,8,96,,8,9,8,58,96 -,74 -,76 -,75 -,86 -,8 -,93,3,76,35,88,697,6,55,67,5,5,77,836 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 3: Levene-Test zur Varianzhomogenität für alle SAM-Ratings Levene-Test auf Homogenität der Varianzen über die drei n für alle SAM-Ratings SAM Intensität neg. Bilder SAM Intensität neutrl. Bilder SAM Intensität pos. Bilder SAM Valenz neg. Bilder SAM Valenz neutrl. Bilder SAM Valenz pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,87 39,68,567 39,,567 33,4,835 39,73,744 39,48,64 39,54,64 35,54,73 39,488,47 39,99,45 39,39,45 35,33,94 39,86,593 39,88,986 39,5,986 34,53,59 39,93,65 39,546,69 39,538,69 35,539,67 39,545,39 39,679,394 39,677,394 35,677,39 39,679 Tabelle 3: Kolmogorov-Smirnov-Tests für Achtsamkeitsindices Kolmogorov-Smirnov-Anpassungstest für "Achtsamkeitspraxis in Stunden" und "Prozentrang Achtsamkeit" Parameter der ormalverteilung a,b Mittelwert Standardabweichung Prozentrang Achtsamkeit Achtsamkeitspraxis in Stunden , ,947 9, ,57394 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),3,3,3,89 -,68 -,3,677,3,75, a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 66

20 C.: SAM-Intensitätsratings Tabelle 3: Multivariate Tests für SAM-Intensitätsratings Multivariate Tests für SAM - Intensitätsratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,67 4,47 a 3, 35,,,733 4,47 a 3, 35,,,364 4,47 a 3, 35,, Größte charakteristische Wurzel nach Roy,364 4,47 a 3, 35,,,78,983 a 3, 35,,4,9,983 a 3, 35,,4,84,983 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,84,983 a 3, 35,,4 Geschlecht,6,84 a 3, 35,,97,984,84 a 3, 35,,97,6,84 a 3, 35,,97 Größte charakteristische Wurzel nach Roy,6,84 a 3, 35,,97,7,3 6, 7,,353,83,4 a 6, 7,,348,3,5 6, 68,,344 Größte charakteristische Wurzel nach Roy,9,88 b 3, 36,,95 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Tabelle 33: Tests der Zwischensubjekteffekte für SAM-Intensitätsratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Intensitätsratings Abhängige Variable SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. SAM Intensität neg. SAM Intensität neutrl. SAM Intensität pos. Quadratsumme vom Typ III a. R-Quadrat =,5 (korrigiertes R-Quadrat =,3) b. R-Quadrat =,87 (korrigiertes R-Quadrat = -,) c. R-Quadrat =,9 (korrigiertes R-Quadrat = -,7) df,65 a 4,86,3,8 7,636 b 4,99,883,484 7,483 c 4,87,93,456 7,97 7,97,7,,986,986,38,48 7,673 7,673 8,798,5 4,36 4,36,893,77 5,66 5,66,596,6 4,95 4,95,465,5,9,9,9,96,683,683,36,577,6,6,3,959,64 5,3,496,96,77,358,66,848 5,56,78,384,63 78,874 37,3 8,34 37,63 74,3 37,9 69, ,6 4 36, , ,67 4 8,84 4 Mittel der Quadrat e F Signifikanz 67

21 Tabelle 34: Korrelationen für SAM-Intensitätsratings Korrelationen für SAM - Intensitätsratings Spearman-Rho SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos. Achtsamkeit in h + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Intensität neg. SAM Intensität neutr. SAM Intensität pos.,,44**,98**.,3, 4 4 4,44**,,59**,3., 4 4 4,98**,59**,,, ,9,3 -,38,9,6, ,8*,8 -,56,35,4, ,96*,58 -,67,9,58, ,84*,5 -,8,34,7, ,5,8 -,35,55,4, C.: SAM-Valenzratings Tabelle 35: Multivariate Tests für SAM-Valenzratings Multivariate Tests für SAM - Valenzratings c Effekt Wert F Hypothese df Fehler df Signifikanz Konstanter Term,938 76,645 a 3, 35,,,6 76,645 a 3, 35,, 5,4 76,645 a 3, 35,, Größte charakteristische Wurzel nach Roy 5,4 76,645 a 3, 35,,,59 4,76 a 3, 35,,4,74 4,76 a 3, 35,,4,349 4,76 a 3, 35,,4 Größte charakteristische Wurzel nach Roy,349 4,76 a 3, 35,,4 Geschlecht,95,6 a 3, 35,,35,95,6 a 3, 35,,35,5,6 a 3, 35,,35 Größte charakteristische Wurzel nach Roy,5,6 a 3, 35,,35,73,894 6, 7,,93,74,888 a 6, 7,,95,33,879 6, 68,,97 Größte charakteristische Wurzel nach Roy,6 3,4 b 3, 36,,37 a. Exakte Statistik b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 68

22 Tabelle 36: Tests der Zwischensubjekteffekte für SAM-Valenzratings Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Tests der Zwischensubjekteffekte für SAM - Valenzratings Abhängige Variable SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv SAMvalenz.negativ SAMvalenz.neutral SAMvalenz.positiv Quadratsum me vom Typ III a. R-Quadrat =,9 (korrigiertes R-Quadrat =,4) b. R-Quadrat =,39 (korrigiertes R-Quadrat =,45) c. R-Quadrat =,7 (korrigiertes R-Quadrat = -,9) df 4,849 a 4,,447,63,936 b 4,484 4,33,6,36 c 4,33,73,588 7,735 7,735 35,8, 8,35 8,35 5,83, 5,373 5,373 8,445,,38,38,64,48,395,395,48,,479,479,3,36,58,58,67,38,39,39 3,49,7,54,54,33,569 3,9,95 3,936,8,76,38,33,33,6,63,356,7 8,33 37,495 4,35 37, 7,87 37,465 43, ,8 4 76, ,79 4 6,7 4 8,5 4 Mittel der Quadrate F Signifikanz Tabelle 37: Post-Hoc-Tests für SAM-Valenzratings Bonferroni Abhängige Variable SAM Valenz neg. Bilder SAM Valenz neutr. Bilder SAM Valenz pos. Bilder = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mehrfachvergleiche für SAM - Valenzratings Mittlere Differenz (I-J) 95% Konfidenzintervall Standard fehler Signifikanz Untergrenze Obergrenze -,595,469,63 -,8,3 -,833*,3335,35 -,64 -,464,595,469,63 -,3,8 -,378,897, -,966,487,833*,3335,35,464,64,378,897, -,487,966 -,9,3346,366 -,5448,3 -,755,6994,339 -,76,496,9,3346,366 -,3,5448 -,646,57, -,4577,385,755,6994,339 -,496,76,646,57, -,385,4577,588,3768, -,4358,7534,475,364,558 -,3496,645 -,588,3768, -,7534,4358,487,798, -,453,9487 -,475,364,558 -,645,3496 -,487,798, -,9487,453 69

23 Tabelle 38: Korrelationen für SAM-Valenzratings Korrelationen für SAM - Valenzratings Spearman-Rho SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos. Achtsamkeit in h + FFaScore AchtsamkeitspraxisIn Stunden Praxisdauer in Jahren Prozentrang Achtsamkeit **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). SAM Valenz neg. SAM Valenz neutr. SAM Valenz pos., -,74 -,68**.,35, ,74,,3*,35., ,68**,3*,,, ,4**,38* -,98,4,3, ,394**,5 -,69*,5,76, ,4**,8 -,77*,4,83, ,438**,94* -,4,,9, ,36**,3 -,53,9,7, ,37,57** -,5,93,, C.3: achinterview Tabelle 39: Mann-Whitney-Test für Wandel der Gefühlsintensität Mann-Whitney-Test für Wandel der Gefühlsintensität: Statistik b Mann-Whitney-U Wilcoxon-W Z Asymptotische Signifikanz (-seitig) Exakte Signifikanz [*(-seitig Sig.)] =hat sich etwas erhöht; =hat sich stark erhöht 7, 33, -,994 a. icht für Bindungen korrigiert.,3,4 a b. nvariable: =; = Tabelle 4: Chi-Quadrat-Test für Wandel der Gefühlsintensität Chi-Quadrat nach Pearson Kontinuitätskorrektur a Likelihood-Quotient Exakter Test nach Fisher Zusammenhang linear-mit-linear Anzahl der gültigen Fälle Wert a. Wird nur für eine x-tabelle berechnet Chi-Quadrat-Tests,3 b,3,348,555,67,3,989,3 3 df Asymptotische Signifikanz (-seitig) Exakte Signifikanz (-seitig) Exakte Signifikanz (-seitig),49,8 b. Zellen (5,%) haben eine erwartete Häufigkeit kleiner 5. Die minimale erwartete Häufigkeit ist 3,. 7

24 C.: EDA-Zeitverlauf Tabelle 4: Kolmogorov-Smirnov-Tests für EDA-Zeitverlauf Kolmogorov-Smirnov-Anpassungstests für EDA - Latenz, EDA - Anstiegszeit und EDA - Halbwertszeit Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Absolut Positiv egativ Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Standardabweichung Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder ,658,437,74,588,355,636,355,8,78,488,4487,463,493,3549,436,336,898,94,,46,4,45,65,34,86,5,6,,3,4,45,6,34,7,93,6 -,9 -,46 -,84 -,3 -,65 -,77 -,86 -,5 -,86,73,955,684,95,8,876,8,345,353 Asymptotische Signifikanz (-seitig),659,3,738,36,93,47,3,54,5 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 4: Levene-Test zur Varianzhomogenität für EDA-Zeitverlauf Test auf Homogenität der Varianz für EDA - Latenz, - Anstiegszeit, - Halbwertszeit Latenz neg. Bilder Latenz neutr. Bilder Latenz pos. Bilder Anstiegszeit neg. Bilder Anstiegszeit neutr. Bilder Anstiegszeit pos. Bilder Halbwertszeit neg. Bilder Halbwertszeit neutr. Bilder Halbwertszeit pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz, 4,95,5 4,875,5 36,8,875, 4,885,34 4,585,7 4,74,7 36,48,74,6 4,69, 4,64,75 4,678,75 4,,678,99 4,657,64 4,434, 4,74, 8,96,74,334 4,567,443 4,37,656 4,43,656 3,745,44,9 4,3,44 4,53,8 4,643,8 4,,643,37 4,546, 4,883,367 4,548,367 35,84,549,64 4,688, 4,649,4 4,949,4 33,85,949,4 4,79,75 4,93,88 4,78,88 38,936,78,83 4,86 7

25 Tabelle 43: Multivariate Tests für EDA-Zeitverlauf Effekt Konstanter Term Geschlecht Bildvalenz * IAPSValenz a. Exakte Statistik c Multivariate Tests für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,6,64 a 3, 6,,68,984,64 a 3, 6,,68,6,64 a 3, 6,,68,6,64 a 3, 6,,68,6,69 a 3, 6,,598,984,69 a 3, 6,,598,6,69 a 3, 6,,598,6,69 a 3, 6,,598,33 5,947 a 3, 6,,,867 5,947 a 3, 6,,,54 5,947 a 3, 6,,,54 5,947 a 3, 6,,,3,74 6, 34,,5,87,763 a 6, 3,,3,47,8 6, 3,,,4 5,55 b 3, 7,,,3,9 6, 34,,5,898,33 a 6, 3,,5,,48 6, 3,,49,98 3,839 b 3, 7,,,3,3, 354,,997,978,, 37,99,997,3,9, 344,,998,8,536 b 4, 8,,7 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 44: Tests der Zwischensubjekteffekte für EDA-Zeitverlauf Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Abhängige Variable EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit EDALatenz EDAAnstiegszeit EDAHalbwertszeit Quadratsum me vom Typ III a. R-Quadrat =,43 (korrigiertes R-Quadrat =,79) b. R-Quadrat =,3 (korrigiertes R-Quadrat =,66) c. R-Quadrat =,88 (korrigiertes R-Quadrat =,) df 6,649 a,665 3,789, 5,849 b,585 3,548,,96 c,96,74,5,38,38,755,88,4,4,96,57,75,75,46,38,67,67 9,5,3,697,697 4,7,4,54,54 7,34,8,55,55,884,349,8,8,5,95,8,8,6,734,55,63 7,95,,74,37 8,36,,847,44 5,98,4,435,77 4,88,9,575,788 4,777,,68,34,874,58,78 8,75 9,455 8,65 8,447 8,7 73, ,65 9 8, , ,35 8,49 8 Mittel der Quadrate F Signifikanz 7

26 Tabelle 45: Post-Hoc-Tests für EDA-Zeitverlauf Mehrfachvergleiche für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Bonferroni Abhängige Variable Latenz Anstiegszeit Halbwertszeit = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,33,9,58 -,54,439,378*,575,4,97,6589 -,33,9,58 -,439,54,647,635,37 -,933,48 -,378*,575,4 -,6589 -,97 -,647,635,37 -,48,933,373*,8573,,9,4453,3993*,,,3,6665 -,373*,8573, -,4453 -,9,6,8,336 -,835,475 -,3993*,, -,6665 -,3 -,6,8,336 -,475,835,486*,5544,5,4,83,38*,7,4,59,446 -,486*,5544,5 -,83 -,4,83,6543,67 -,755,4 -,38*,7,4 -,446 -,59 -,83,6543,67 -,4,755 Tabelle 46: Korrelationen für EDA-Zeitverlauf Korrelationen für EDA - Latenz, - Anstiegszeit und - Halbwertszeit Spearman-Rho Latenz Anstiegszeit Halbwertszeit Prozentrang Achtsamkeit Achtsamkeit in Stunden + FFAScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). EDALatenz EDAAnsti egszeit EDAHalb wertszeit,,976**,859**.,, ,976**,,866**,., ,859**,866**,,, ,68** -,8** -,7**,,, ,78** -,69** -,7**,,, ,5** -,4** -,39**,,3, ,44** -,35** -,3**,3,4, ,4** -,43** -,4**,3,3, , -,9 -,48,494,44, ,7**,**,79**,,6,

27 Tabelle 47: Regressionsrechnung für EDA-Latenz Koeffizienten a Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Latenz icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,838,79,658, -,5, -,97-3,5, T Signifikanz Tabelle 48: Regressionsrechnung für EDA-Anstiegszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Anstiegszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,76,75,94, -,5, -,36-3,68, T Signifikanz Tabelle 49: Regressionsrechnung für EDA-Halbwertszeit Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: Halbwertszeit B Koeffizienten a icht standardisierte Koeffizienten Standardf ehler Standardisie rte Koeffizienten Beta,4,48 8,53, -,3, -,96-3,486, T Signifikanz C.: Startle-Zeitverlauf Tabelle 5: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz der Startle-Response während - nach Bilddarbietung Parameter der ormalverteilung a,b Mittelwert Standardabweichung negative Bilder positive Bilder 43 43,646 5,88 9,3983 4,4677 Levene-Test für Differenz der Startle-Response während - nach Bilddarbietung a negative Bilder positive Bilder F df df Signifikanz,7 4,763,8 4,3 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet.,9,86,9,86 -,6 -,93,77,,68, 74

28 Tabelle 5: Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung Effekt Konstanter Term Geschlecht a. Exakte Statistik Multivariate Tests für Differenz der Startle-Response während - nach Bilddarbietung c Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ Wert F Hypothese df Fehler df Signifikanz,45,878 a, 37,,44,955,878 a, 37,,44,47,878 a, 37,,44,47,878 a, 37,,44,,3 a, 37,,796,988,3 a, 37,,796,,3 a, 37,,796,,3 a, 37,,796,4,78 a, 37,,466,96,78 a, 37,,466,4,78 a, 37,,466,4,78 a, 37,,466,79,777 4, 76,,544,9,77 a 4, 74,,547,85,766 4, 7,,55,85,6 b, 38,,3 Tabelle 5: Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Tests der Zwischensubjekteffekte für Differenz der Startle-Response während - nach Bilddarbietung Quelle Korrigiertes Modell Konstanter Term Geschl Fehler Korrigierte variation Abhängige Variable negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder negative Bilder positive Bilder Quadratsum me vom Typ III a. R-Quadrat =,78 (korrigiertes R-Quadrat = -,) b. R-Quadrat =,33 (korrigiertes R-Quadrat =,4) df 87,99 a 4 7,8,798,534 67,758 b 4 9,94,455,35,64,64,4,96 36,699 36,699,83,87 5,699 5,699,63,83 86,645 86,645,43,55 44,4 44,4,49,487 45,97 45,97,6,75 95,4 97,5,84,348 67,8 83,59,47,66 348, , ,455 38,67 46, , , ,4 4 Mittel der Quadrate F Signifikanz Tabelle 53: Levene und Kolmogorov-Smirnov-Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Kolmogorov-Smirnov-Anpassungstest für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Levene-Test auf Gleichheit der Fehlervarianzen für Differenz während - nachher bei Startle-Potenzierung und -Inhibition a Differenz Potenzierung Differenz Inhibition F df df Signifikanz,7 4,764 3,49 4,59 Prüft die ullhypothese, daß die Fehlervarianz der abhängigen Variablen über n hinweg gleich ist. a. Design: Intercept++Geschl+ Parameter der ormalverteilung a,b Extremste Differenzen Kolmogorov-Smirnov-Z Mittelwert Standardabweichung Absolut Positiv egativ Asymptotische Signifikanz (-seitig) a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Differenz Potenzierung Differenz Inhibition 43 43,357 8,494,758 4,5435,93,98,7,98 -,93 -,78,69,644,85,8 75

29 Tabelle 54: Deskriptive Statistiken für Potenzierungs und Inhibitions-Zeitverlauf Deskriptive Statistiken für Zeitverlauf der Potenzierung je Deskriptive Statistiken für Zeitverlauf der Inhibition je,5 s ichtmeditierende Mittelwert Standardab weichung -9,7,63 3,5 s ichtmeditierende Mittelwert Standardab weichung 9,38 8, ,373 8,8497,4,4385 -,387 4,6 8 -,874 8, ,3 9, ,645 5, ,5 s ichtmeditierende,659 3, ,5 s ichtmeditierende 3,74,738 3,355,685 6,997,8387,955 3, ,7998 3,459 8,396 5, ,4, ,5 s ichtmeditierende 6,88 4,65 3 6,5 s ichtmeditierende -4,47 6, ,486 4,6,745 3,794 -,6 8, ,883, ,3349, ,5848, ,5 s ichtmeditierende,365 4,7 3 7,5 s ichtmeditierende -8,64 3, ,746 9, ,945,3668,56 5, ,6656,36 8 5,8966 5, ,567 3, ,5 s ichtmeditierende -,377 7, ,5 s ichtmeditierende -,8969 8, ,796 7,564-6,36 7,54 3,677 5,9986 8,957 6, ,459, ,656 6, s ichtmeditierende,555 7, s ichtmeditierende -7,5 8,65 3-3,498 7,95-3,5897 5,39493,99 4, ,95 8,83 8 -,8667, ,366 5, s ichtmeditierende -,5584 8, s ichtmeditierende,54,6884 3,5853 5,867,54 3,7887 3,874 4, ,73 3,3939 8,67 4, ,457, Tabelle 55: Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Effekt Multivariate Tests für Differenz während - nachher bei Startle-Potenzierung und -Inhibition c Konstanter Term Geschlecht a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Wert F Hypothese df Fehler df Signifikanz,35,678 a, 37,,54,965,678 a, 37,,54,37,678 a, 37,,54,37,678 a, 37,,54,5,99 a, 37,,38,949,99 a, 37,,38,54,99 a, 37,,38,54,99 a, 37,,38,,549 a, 37,,9,879,549 a, 37,,9,38,549 a, 37,,9,38,549 a, 37,,9,7,86 4, 76,,83,873,95 a 4, 74,,8,45,3 4, 7,,77,43,79 b, 38,,79 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl+ 76

30 Tabelle 56: Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle -Potenzierung und -Inhibition Tests der Zwischensubjekteffekte für Differenz während - nachher bei Startle-Potenzierung und -Inhibition Quelle Korrigiertes Modell Konstanter Term Geschlecht Fehler Korrigierte variation Abhängige Variable Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition Differenz Potenzierung Differenz Inhibition a. R-Quadrat =,87 (korrigiertes R-Quadrat = -,9) b. R-Quadrat =,9 (korrigiertes R-Quadrat =,37) Quadratsum me vom Typ III df 4, a 4 5,33,9,473 87,37 b 4 467,843,668,47 8,944 8,944,8,39 48,83 48,83,79,6,3,3,87,86 58,5 58,5,334,567 49,73 49,73,33,5 65,87 65,87 3,5,69 3,975,987,3,93 946,9 473,45,7,8 4439, , , ,38 486, , , ,833 4 Mittel der Quadrate F Signifikanz C3.: Intensität der neurophysiologische Komponente Tabelle 57: Kolmogorov-Smirnov-Tests für EDA-Intensität Kolmogorov-Smirnov-Anpassungstest für EDA - Intensität Parameter der ormalverteilung a,b Mittelwert Standardabweichung Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder ,,665,447,,69,9,437,735,377,4779,77,65 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),94,5,63,4,3,53,83,5,63,9,3,4 -,94 -,85 -,38 -,4 -, -,53,75,34,68,469,59,5,78,55,4,7,,64 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. 77

31 Tabelle 58: Levene-Test zur Varianzhomogenität für EDA-Intensität Test auf Homogenität der Varianz für EDA - Intensität Summe neg. Bilder Summe neutr. Bilder Summe pos. Bilder Maximum neg. Bilder Maximum neutr. Bilder Maximum pos. Bilder Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Basierend auf dem Median und mit angepaßten df Basiert auf dem getrimmten Mittel Levene- Statistik df df Signifikanz,79 4,38,943 4,398,943 34,43,399,84 4,75,53 4,9,836 4,44,836 38,696,44,45 4,47,8 4,83,4 4,787,4 39,599,787,9 4,8,64 4,6,89 4,45,89 5,53,456,63 4,94 4,56 4,6,74 4,78,74 36,45,8 4,79 4,4, 4,3,8 4,456,8 37,95,456,6 4,338 Tabelle 59: Tests der Zwischensubjekteffekte für EDA-Intensität Quelle Korrigiertes Modell Konstanter Term Geschlecht Bildvalenz * Bildvalenz Fehler Korrigierte variation Tests der Zwischensubjekteffekte für EDA - Intensität Abhängige Variable EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax EDASum EDAMax Quadratsum me vom Typ III a. R-Quadrat =,35 (korrigiertes R-Quadrat =,6) b. R-Quadrat =,5 (korrigiertes R-Quadrat =,78) df,78 a,78,836,6,75 b,7,8,3,9,9,,638,6,6,448,55,66,66,54,7,8,8,643,44,9,9 3,8,84,4,4 3,,8,448,4 5,58,6,5,53 3,996,,,6,43,47,69,35,6,77,6 4,4,94,984,4 4,4,7,897 5,3 8,43,556 8,3,54 9 3,3 9 5,8 8,83 8 Mittel der Quadrate F Signifikanz 78

32 Tabelle 6: Multivariate Tests für für EDA-Intensität Effekt Konstanter Term Geschlecht Bildvalenz * Bildvalenz a. Exakte Statistik Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Größte charakteristische Wurzel nach Roy Multivariate Tests für EDA - Intensität c Wert F Hypothese df Fehler df Signifikanz,5,37 a, 7,,736,995,37 a, 7,,736,5,37 a, 7,,736,5,37 a, 7,,736,,8 a, 7,,97,979,8 a, 7,,97,,8 a, 7,,97,,8 a, 7,,97,6,578 a, 7,,,974,578 a, 7,,,7,578 a, 7,,,7,578 a, 7,,, 3,45 4, 36,,9,89 3,457 a 4, 34,,9,9 3,46 4, 3,,9,95 5,68 b, 8,,5,63,96 4, 36,,,938,9 a 4, 34,,9,66,97 4, 3,,8,6 3,67 b, 8,,3,69,59 8, 36,,393,93,66 a 8, 34,,388,74,73 8, 3,,383,7,98 b 4, 8,,85 b. Die Statistik ist eine Obergrenze auf F, die eine Untergrenze auf dem Signifikanzniveau ergibt. c. Design: Intercept++Geschl++IAPSValenz+ * IAPSValenz Tabelle 6: Post-Hoc-Tests für EDA-Intensität Bonferroni Mehrfachvergleiche für EDA - Intensität Abhängige Variable Summe Maximum = ichtmeditierende, =, = Basiert auf beobachteten Mittelwerten. *. Die mittlere Differenz ist auf der Stufe,5 signifikant. Mittlere Differenz (I-J) 95% Konfidenzintervall Standardf ehler Signifikanz Untergrenze Obergrenze,9,45,8 -,3,933,43*,5459,3,5,756 -,9,45,8 -,933,3,59,56,88 -,688,747 -,43*,5459,3 -,756 -,5 -,59,56,88 -,747,688,343,35,44 -,7,94,83*,39,4,8,546 -,343,35,44 -,94,7,469,773,79 -,4,43 -,83*,39,4 -,546 -,8 -,469,773,79 -,43,4 79

33 Tabelle 6: Korrelationen für EDA-Intensität Korrelationen für EDA - Intensität Spearman-Rho Summe Maximum Prozentrang Achtsamkeit Achtsampraxis in Stunden + FFaScore Achtsamkeitspraxis in Stunden Praxisdauer in Jahren = fem = mask **. Die Korrelation ist auf dem, iveau signifikant (einseitig). *. Die Korrelation ist auf dem,5 iveau signifikant (einseitig). Summe Maximum,,944**., 43 43,944**,, ,4** -,5**,3, ,5** -,46**,, ,** -,8**,6, ,6** -,3*,, ,** -,6**,9, ,3 -,,36, ,44**,6**,3, Tabelle 63: Regressionsrechnung für EDA-Summe Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA - Summe Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisie rte Koeffizienten Beta,39,37 8,449, -,, -,66-3,4, T Signifikanz Tabelle 64: Regressionsrechnung für EDA-Maximum Modell (Konstante) Prozentrang Achtsamkeit a. Abhängige Variable: EDA Maximum Koeffizienten a icht standardisierte Koeffizienten B Standardf ehler Standardisierte Koeffizienten Beta,58, 7,687, -,, -,49 -,89,5 T Signifikanz 8

34 C3.: Intensität der motivationalen Komponente Tabelle 65: Kolmogorov-Smirnov-Tests für Startle-Response Kolmogorov-Smirnov-Anpassungstest für Startle - Response über alle Zeitpunkte ichtmeditierende Parameter der ormalverteilung a,b Mittelwert Standardabweichung neg. Bilder neutr. Bilder pos. Bilder Inhibition Potenzierung , ,433 54,373,393,4454 8,59 9,44 3,6333 3,483,5 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,3,6,39,86,4,3,6,55,86 -,73 -,9 -, -,39 -,6,8,53,56,39,8,3,87,9,59,5 Parameter der ormalverteilung a,b Mittelwert Standardabweichung , ,5 34,453 -,4,9 7,3739 6,593 8,734 8,364 4,5793 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),4,,,96,99,4,,,73,95 -,84 -,83 -,8 -,96 -,99,86,383,47,87,3,73,44,89,,97 Parameter der ormalverteilung a,b Mittelwert Standardabweichung ,553 9,846,595 -,6949,437,367 9,33,6769 7,98 7,35686 Extremste Differenzen Absolut Positiv egativ Kolmogorov-Smirnov-Z Asymptotische Signifikanz (-seitig),6,4,7,4,7,6,4,7,8,7 -,74 -,57 -,79 -,4 -,93,945,78,95,55,83,333,575,34,6,539 a. Die zu testende Verteilung ist eine ormalverteilung. b. Aus den Daten berechnet. Tabelle 66: AOVA für overall Startle-Response StartleResponse OEWAY AOVA für overall Startle-Response Zwischen den n Innerhalb der n Quadrats umme df 659, ,744,73, 3, ,99 765,43 4 Mittel der Quadrate F Signifikanz Tabelle 67: Kruskal-Wallis-Test für overall Startle-Response Statistik für Kruskal-Wallis-Test für overall Startle-Response a,b Kruskal-Wallis-Test für overall Startle-Response: Ränge Mittlerer Rang Startle-Response 3 3,54,4 8, 43 Chi-Quadrat df Asymptotische Signifikanz a. Kruskal-Wallis-Test b.,, Startle Response 6,948, 8

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14.

Standardab er des. Testwert = 145.5 95% Konfidenzintervall. T df Sig. (2-seitig) Differenz Untere Obere -2.011 698.045-5.82-11.50 -.14. Aufgabe : einfacher T-Test Statistik bei einer Stichprobe Standardfehl Standardab er des Mittelwert weichung Mittelwertes 699 39.68 76.59 2.894 Test bei einer Sichprobe Testwert = 45.5 95% Konfidenzintervall

Mehr

Korrelation - Regression. Berghold, IMI

Korrelation - Regression. Berghold, IMI Korrelation - Regression Zusammenhang zwischen Variablen Bivariate Datenanalyse - Zusammenhang zwischen 2 stetigen Variablen Korrelation Einfaches lineares Regressionsmodell 1. Schritt: Erstellung eines

Mehr

Einfache statistische Auswertungen mit dem Programm SPSS

Einfache statistische Auswertungen mit dem Programm SPSS Einfache statistische Auswertungen mit dem Programm SPSS Datensatz: fiktive_daten.sav Dipl. Päd. Anne Haßelkus Dr. Dorothea Dette-Hagenmeyer 11/2011 Überblick 1 Deskriptive Statistiken; Mittelwert berechnen...

Mehr

Kapitel 5: Einfaktorielle Varianzanalyse

Kapitel 5: Einfaktorielle Varianzanalyse Kapitel 5: Einfaktorielle Varianzanalyse Durchführung einer einfaktoriellen Varianzanalyse ohne Messwiederholung Dieser Abschnitt zeigt die Durchführung der in Kapitel 5 vorgestellten einfaktoriellen Varianzanalyse

Mehr

Varianzanalyse (ANOVA: analysis of variance)

Varianzanalyse (ANOVA: analysis of variance) Varianzanalyse (AOVA: analysis of variance) Einfaktorielle VA Auf der Basis von zwei Stichproben wird bezüglich der Gleichheit der Mittelwerte getestet. Variablen müssen Variablen nur nominalskaliert sein.

Mehr

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse

Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Allgemeines Lineares Modell: Univariate Varianzanalyse und Kovarianzanalyse Univariate Varianz- und Kovarianzanlyse, Multivariate Varianzanalyse und Varianzanalyse mit Messwiederholung finden sich unter

Mehr

SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben

SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben SPSS V Gruppenvergleiche ( 2 Gruppen) abhängige (verbundene) Stichproben ÜBERSICHT: Testverfahren bei abhängigen (verbundenen) Stichproben parametrisch nicht-parametrisch 2 Gruppen t-test bei verbundenen

Mehr

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav

Beispiel für eine multivariate Varianzanalyse (MANOVA) Daten: POKIV_Terror_V12.sav Beispiel für eine multivariate Varianzanalyse () Daten: POKIV_Terror_V12.sav Es soll überprüft werden, inwieweit das ATB-Syndrom (Angst vor mit den drei Subskalen affektive Angst von, Terrorpersistenz,

Mehr

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell

Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Einfaktorielle Versuchspläne 27/40 Weitere (wählbare) Kontraste in der SPSS Prozedur Allgemeines Lineares Modell Abweichung Einfach Differenz Helmert Wiederholt Vergleich Jede Gruppe mit Gesamtmittelwert

Mehr

Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT)

Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT) Tabelle 136: Unterschiede zwischen den Clustern in der Bearbeitungszeit des Wissenstests (LT-ZEIT) Einfaktorielle Varianzanalyse Test der Homogenität der Varianzen Levene-Statistik df1 df2 1.938 4 317.104

Mehr

Etwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen.

Etwas positive Tendenz ist beim Wechsel der Temperatur von 120 auf 170 zu erkennen. Explorative Datenanalyse Erstmal die Grafiken: Aufreisskraft und Temperatur 3 1-1 N = 1 15 17 Temperatur Diagramm 3 1 95% CI -1 N = 1 15 17 Temperatur Etwas positive Tendenz ist beim Wechsel der Temperatur

Mehr

Aufgaben zu Kapitel 4

Aufgaben zu Kapitel 4 Rasch, Friese, Hofmann & aumann (2006). Quantitative Methoden. Band (2. Auflage). Heidelberg: Springer. Aufgaben zu Kapitel 4 Aufgabe a) Berechnen Sie die Korrelation zwischen dem Geschlecht und der Anzahl

Mehr

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des.

Im Modell der Varianzanalyse (mit festen Effekten) ist das. aus dem Durchschnittsmesswert für y plus dem Effekt des. Einfatorielle Varianzanalyse Varianzanalyse untersucht den Einfluss verschiedener Bedingungen ( = nominalsalierte(r) Variable(r)) auf eine metrische Variable. Die Bedingungen heißen auch atoren und ihre

Mehr

Hypothesentests mit SPSS

Hypothesentests mit SPSS Beispiel für eine zweifaktorielle Varianzanalyse mit Messwiederholung auf einem Faktor (univariate Lösung) Daten: POKIII_AG4_V06.SAV Hypothese: Die physische Attraktivität der Bildperson und das Geschlecht

Mehr

Einführung in die Varianzanalyse mit SPSS

Einführung in die Varianzanalyse mit SPSS Einführung in die Varianzanalyse mit SPSS SPSS-Benutzertreffen am URZ Carina Ortseifen 6. Mai 00 Inhalt. Varianzanalyse. Prozedur ONEWAY. Vergleich von k Gruppen 4. Multiple Vergleiche 5. Modellvoraussetzungen

Mehr

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1-

Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil 1- SPSSinteraktiv Signifikanztests (Teil ) - - Signifikanztests zur Prüfung von Unterschieden in der zentralen Tendenz -Teil - t-test bei einer Stichprobe - SPSS-Output Der t-test bei einer Stichprobe wird

Mehr

Willkommen zur Vorlesung Statistik (Master)

Willkommen zur Vorlesung Statistik (Master) Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungsfreie Verfahren Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften

Mehr

Statistik für Studenten der Sportwissenschaften SS 2008

Statistik für Studenten der Sportwissenschaften SS 2008 Statistik für Studenten der Sportwissenschaften SS 008 Aufgabe 1 Man weiß von Rehabilitanden, die sich einer bestimmten Gymnastik unterziehen, dass sie im Mittel µ=54 Jahre (σ=3 Jahre) alt sind. a) Welcher

Mehr

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav)

Varianzanalytische Methoden Zweifaktorielle Versuchspläne 4/13. Durchführung in SPSS (File Trait Angst.sav) Zweifaktorielle Versuchspläne 4/13 Durchführung in SPSS (File Trait Angst.sav) Analysieren > Allgemeines Lineares Modell > Univariat Zweifaktorielle Versuchspläne 5/13 Haupteffekte Geschlecht und Gruppe

Mehr

1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis

1. Inhaltsverzeichnis. 2. Abbildungsverzeichnis 1. Inhaltsverzeichnis 1. Inhaltsverzeichnis... 1 2. Abbildungsverzeichnis... 1 3. Einleitung... 2 4. Beschreibung der Datenquelle...2 5. Allgemeine Auswertungen...3 6. Detaillierte Auswertungen... 7 Zusammenhang

Mehr

Anhang. Anhang 1: Verwendete Plasmide

Anhang. Anhang 1: Verwendete Plasmide Anhang 1: Verwendete Plasmide Plasmid Vektor Gen Referenz pbs356 pbluescript II KS 2 O. Rossier; 131 pbs356 NLS pbluescript II KS 2 NLS 324 pbs356 SphI pbluescript II KS 2 SphI O. Rossier; 131 pbs 1-150

Mehr

Auswertung und Darstellung wissenschaftlicher Daten (1)

Auswertung und Darstellung wissenschaftlicher Daten (1) Auswertung und Darstellung wissenschaftlicher Daten () Mag. Dr. Andrea Payrhuber Zwei Schritte der Auswertung. Deskriptive Darstellung aller Daten 2. analytische Darstellung (Gruppenvergleiche) SPSS-Andrea

Mehr

Einfache Varianzanalyse für abhängige

Einfache Varianzanalyse für abhängige Einfache Varianzanalyse für abhängige Stichproben Wie beim t-test gibt es auch bei der VA eine Alternative für abhängige Stichproben. Anmerkung: Was man unter abhängigen Stichproben versteht und wie diese

Mehr

(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik

(VU) Übungen zur Einführung in die statistische Datenanalyse II. Inhalte Statistik I. Inhalte Statistik I Deskriptive Statistik II Übungen zur II Organisatorische Hinweise Keine Anwesenheitspflicht (aber empfehlenswert) Einführung in die statistische Datenanalyse II (VU) Lehrinhalte (.ppt Folien): elearning.univie.ac.at 3 Prüfungstermine:

Mehr

Willkommen zur Vorlesung Statistik

Willkommen zur Vorlesung Statistik Willkommen zur Vorlesung Statistik Thema dieser Vorlesung: Varianzanalyse Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften Prof. Dr. Wolfgang

Mehr

Geschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3

Geschlecht + Anfangsgehalt. T-Test für das Anfangsgehalt Gruppenstatistiken. Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Der SPSS Output der aktuellen Computerübung zum Aufgabenblatt 3 Geschlecht + Anfangsgehalt 14000 399 403 7000 12000 335 Anfangsgehalt 10000 8000 6000 4000 2000 N = 28 63 185 291 227 52 215 158 88 284 193

Mehr

Übungen zur Veranstaltung Statistik 2 mit SPSS

Übungen zur Veranstaltung Statistik 2 mit SPSS Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe

Mehr

Tabelle A1: Items der Pilotstudie zum Verhalten. 1. kosmetische Chirurgie (z.b. Fettabsaugen, Straffung der Augenlieder, Haartransplantation)

Tabelle A1: Items der Pilotstudie zum Verhalten. 1. kosmetische Chirurgie (z.b. Fettabsaugen, Straffung der Augenlieder, Haartransplantation) ANHANG 195 12. Anhang ANHANG A Tabelle A1: Items der Pilotstudie zum Verhalten Welche der folgenden Verhaltensweisen und Aussagen treffen auf Sie zu? (Bipolare Antwortmöglichkeiten wurden vorgegeben) 1.

Mehr

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table("c:\\compaufg\\kredit.

Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit<-read.table(c:\\compaufg\\kredit. Lösung 16.3 Analog zu Aufgabe 16.1 werden die Daten durch folgenden Befehl eingelesen: > kredit

Mehr

Kapitel 4: Merkmalszusammenhänge

Kapitel 4: Merkmalszusammenhänge Kapitel 4: Merkmalszusammenhänge Streudiagramme SPSS bietet die Möglichkeit, verschiedene Arten von Streudiagrammen zu zeichnen. Gehen Sie auf Grafiken Streu-/Punkt-Diagramm und wählen Sie die Option Einfaches

Mehr

Überblick über die Tests

Überblick über die Tests Anhang A Überblick über die Tests A.1 Ein-Stichproben-Tests A.1.1 Tests auf Verteilungsannahmen ˆ Shapiro-Wilk-Test Situation: Test auf Normalverteilung H 0 : X N(µ, σ 2 ) H 1 : X nicht normalverteilt

Mehr

Statistische Auswertung:

Statistische Auswertung: Statistische Auswertung: Die erhobenen Daten mittels der selbst erstellten Tests (Surfaufgaben) Statistics Punkte aus dem Punkte aus Surftheorietest Punkte aus dem dem und dem Surftheorietest max.14p.

Mehr

Webergänzung zu Kapitel 10

Webergänzung zu Kapitel 10 Webergänzung zu Kapitel 10 10.1.4 Varianzanalyse (ANOVA: analysis of variance) Im Kapitel 10 haben wir uns hauptsächlich mit Forschungsbeispielen beschäftigt, die nur zwei Ergebnissätze hatten (entweder

Mehr

9. Schätzen und Testen bei unbekannter Varianz

9. Schätzen und Testen bei unbekannter Varianz 9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,

Mehr

Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche

Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche Lehrveranstaltung Empirische Forschung und Politikberatung der Universität Bonn, WS 2007/2008 Häufigkeitsauszählungen, zentrale statistische Kennwerte und Mittelwertvergleiche 30. November 2007 Michael

Mehr

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über

Güte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion

Mehr

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Das Dialogfeld für die Regressionsanalyse (Lineare Regression) findet sich im Statistik- Menu unter Regression-Linear: Lineare Regression Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear": Im einfachsten Fall werden mehrere Prädiktoren (oder nur

Mehr

DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI

DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS. Intervention + BMI DSR Daten, Statistik, Risikobewertung AUSWERTUNG GAHS + BMI Sophie-Helene Narath Klemens Fuchs Günter Polt Bericht Nr.: B09_003_DSR Freigegeben im April 09 Österreichische Agentur für Gesundheit und Ernährungssicherheit

Mehr

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1

Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 LÖSUNG 3A Lösungen zu Janssen/Laatz, Statistische Datenanalyse mit SPSS 1 Mit den Berechnungsfunktionen LG10(?) und SQRT(?) in "Transformieren", "Berechnen" können logarithmierte Werte sowie die Quadratwurzel

Mehr

Grundlagen der Inferenzstatistik

Grundlagen der Inferenzstatistik Grundlagen der Inferenzstatistik (Induktive Statistik oder schließende Statistik) Dr. Winfried Zinn 1 Deskriptive Statistik versus Inferenzstatistik Die Deskriptive Statistik stellt Kenngrößen zur Verfügung,

Mehr

Varianzanalyse ANOVA

Varianzanalyse ANOVA Varianzanalyse ANOVA Johannes Hain Lehrstuhl für Mathematik VIII Statistik 1/23 Einfaktorielle Varianzanalyse (ANOVA) Bisher war man lediglich in der Lage, mit dem t-test einen Mittelwertsvergleich für

Mehr

Statistik II für Betriebswirte Vorlesung 2

Statistik II für Betriebswirte Vorlesung 2 PD Dr. Frank Heyde TU Bergakademie Freiberg Institut für Stochastik Statistik II für Betriebswirte Vorlesung 2 21. Oktober 2014 Verbundene Stichproben Liegen zwei Stichproben vor, deren Werte einander

Mehr

Marktforschung I. Marktforschung I 2

Marktforschung I. Marktforschung I 2 Marktforschung I Marktforschung I Einführung in die Testtheorie (Toporowski) Mathematische Grundlagen (Toporowski) Varianzanalyse (Toporowski) Regressionsanalyse (Boztuğ) Diskriminanzanalyse (Hammerschmidt)

Mehr

Prüfung eines Datenbestandes

Prüfung eines Datenbestandes Prüfung eines Datenbestandes auf Abweichungen einzelner Zahlen vom erwarteten mathematisch-statistischen Verhalten, die nicht mit einem Zufall erklärbar sind (Prüfung auf Manipulationen des Datenbestandes)

Mehr

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft

90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft Prof. Dr. Helmut Küchenhoff SS08 90-minütige Klausur Statistik für Studierende der Kommunikationswissenschaft am 22.7.2008 Anmerkungen Überprüfen Sie bitte sofort, ob Ihre Angabe vollständig ist. Sie sollte

Mehr

V A R I A N Z A N A L Y S E

V A R I A N Z A N A L Y S E V A R I A N Z A N A L Y S E Ziel / Funktion: statistische Beurteilung des Einflusses von nominal skalierten (kategorialen) Faktoren auf intervallskalierte abhängige Variablen Vorteil: die Wirkung von mehreren,

Mehr

Auswertung mit dem Statistikprogramm SPSS: 30.11.05

Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Auswertung mit dem Statistikprogramm SPSS: 30.11.05 Seite 1 Einführung SPSS Was ist eine Fragestellung? Beispiel Welche statistische Prozedur gehört zu welcher Hypothese? Statistische Berechnungen mit

Mehr

Statistik II Übung 3: Hypothesentests

Statistik II Übung 3: Hypothesentests Statistik II Übung 3: Hypothesentests Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier Stichproben). Verwenden

Mehr

Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ)

Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Die Bedeutung der Berufserfahrung für den Studienerfolg beruflich Qualifizierter (BQ) Tagung: "ANKOM Übergänge von der beruflichen in die hochschulische Bildung" Berlin 24.06.2014 Helena Berg, M.A., Holger

Mehr

Messung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes

Messung von Veränderungen. Dr. Julia Kneer Universität des Saarlandes von Veränderungen Dr. Julia Kneer Universität des Saarlandes Veränderungsmessung Veränderungsmessung kennzeichnet ein Teilgebiet der Methodenlehre, das direkt mit grundlegenden Fragestellungen der Psychologie

Mehr

Fortgeschrittene Statistik Logistische Regression

Fortgeschrittene Statistik Logistische Regression Fortgeschrittene Statistik Logistische Regression O D D S, O D D S - R A T I O, L O G I T T R A N S F O R M A T I O N, I N T E R P R E T A T I O N V O N K O E F F I Z I E N T E N, L O G I S T I S C H E

Mehr

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8

Profil A 49,3 48,2 50,7 50,9 49,8 48,7 49,6 50,1 Profil B 51,8 49,6 53,2 51,1 51,1 53,4 50,7 50 51,5 51,7 48,8 1. Aufgabe: Eine Reifenfirma hat für Winterreifen unterschiedliche Profile entwickelt. Bei jeweils gleicher Geschwindigkeit und auch sonst gleichen Bedingungen wurden die Bremswirkungen gemessen. Die gemessenen

Mehr

Tutorial: Homogenitätstest

Tutorial: Homogenitätstest Tutorial: Homogenitätstest Eine Bank möchte die Kreditwürdigkeit potenzieller Kreditnehmer abschätzen. Einerseits lebt die Bank ja von der Vergabe von Krediten, andererseits verursachen Problemkredite

Mehr

Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0)

Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische Modelle Lösung von Grundaufgaben mit SPSS (ab V. 11.0) Ausgewählte Kapitel der Statistik: Regressions- u. varianzanalytische e Lösung von Grundaufgaben mit SPSS (ab V..0) Text: akmv_v.doc Daten: akmv??.sav Lehrbuch: W. Timischl, Biostatistik. Wien - New York:

Mehr

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER

METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER METHODENLEHRE I WS 2013/14 THOMAS SCHÄFER DAS THEMA: INFERENZSTATISTIK IV INFERENZSTATISTISCHE AUSSAGEN FÜR ZUSAMMENHÄNGE UND UNTERSCHIEDE Inferenzstatistik für Zusammenhänge Inferenzstatistik für Unterschiede

Mehr

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln

Häufigkeitstabellen. Balken- oder Kreisdiagramme. kritischer Wert für χ2-test. Kontingenztafeln Häufigkeitstabellen Menüpunkt Data PivotTable Report (bzw. entsprechendes Icon): wähle Data Range (Zellen, die die Daten enthalten + Zelle mit Variablenname) wähle kategoriale Variable für Spalten- oder

Mehr

Melanie Kaspar, Prof. Dr. B. Grabowski 1

Melanie Kaspar, Prof. Dr. B. Grabowski 1 7. Hypothesentests Ausgangssituation: Man muss sich zwischen 2 Möglichkeiten (=Hypothesen) entscheiden. Diese Entscheidung soll mit Hilfe von Beobachtungen ( Stichprobe ) getroffen werden. Die Hypothesen

Mehr

2. Korrelation, lineare Regression und multiple Regression

2. Korrelation, lineare Regression und multiple Regression multiple 2.2 Lineare 2.2 Lineare 1 / 130 2.2 Lineare 2 / 130 2.1 Beispiel: Arbeitsmotivation Untersuchung zur Motivation am Arbeitsplatz in einem Chemie-Konzern 25 Personen werden durch Arbeitsplatz zufällig

Mehr

Überblick über die Verfahren für Ordinaldaten

Überblick über die Verfahren für Ordinaldaten Verfahren zur Analyse ordinalskalierten Daten 1 Überblick über die Verfahren für Ordinaldaten Unterschiede bei unabhängigen Stichproben Test U Test nach Mann & Whitney H Test nach Kruskal & Wallis parametrische

Mehr

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009

Felix-Nicolai Müller. Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Cohen s Kappa Felix-Nicolai Müller Seminar Fragebogenmethodik - WS2009/2010 - Universität Trier Dr. Dirk Kranz 24.11.2009 Felix-Nicolai Müller Cohen s Kappa 24.11.2009 1 / 21 Inhaltsverzeichnis 1 2 3 4

Mehr

Kommentierter SPSS-Ausdruck zur logistischen Regression

Kommentierter SPSS-Ausdruck zur logistischen Regression Daten: POK V AG 3 (POKV_AG3_V07.SAV) Kommentierter SPSS-Ausdruck zur logistischen Regression Fragestellung: Welchen Einfluss hat die Fachnähe und das Geschlecht auf die interpersonale Attraktion einer

Mehr

Syntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt.

Syntax. Ausgabe *Ü12. *1. corr it25 with alter li_re kontakt. Syntax *Ü2. *. corr it25 with alter li_re kontakt. *2. regression var=it25 alter li_re kontakt/statistics /dependent=it25 /enter. regression var=it25 li_re kontakt/statistics /dependent=it25 /enter. *3.

Mehr

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min

Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Klausur, Multivariate Verfahren, SS 2006, 6 Kreditpunkte, 90 min 1 Prof. Dr. Fred Böker 08.08.2006 Klausur zur Vorlesung Multivariate Verfahren, SS 2006 6 Kreditpunkte, 90 min Gesamtpunkte: 39 Aufgabe

Mehr

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik

Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik Ludwig Fahrmeir, Nora Fenske Institut für Statistik Bitte für die Korrektur freilassen! Aufgabe 1 2 3 4 Punkte Klausur zur Vorlesung Statistik III für Studenten mit dem Wahlfach Statistik 29. März 21 Hinweise:

Mehr

Statistik II Übung 3: Hypothesentests Aktualisiert am

Statistik II Übung 3: Hypothesentests Aktualisiert am Statistik II Übung 3: Hypothesentests Aktualisiert am 12.04.2017 Diese Übung beschäftigt sich mit der Anwendung diverser Hypothesentests (zum Beispiel zum Vergleich der Mittelwerte und Verteilungen zweier

Mehr

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum

Franz Kronthaler. Statistik angewandt. Datenanalyse ist (k)eine Kunst. Excel Edition. ^ Springer Spektrum Franz Kronthaler Statistik angewandt Datenanalyse ist (k)eine Kunst Excel Edition ^ Springer Spektrum Inhaltsverzeichnis Teil I Basiswissen und Werkzeuge, um Statistik anzuwenden 1 Statistik ist Spaß 3

Mehr

Beispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav

Beispiel für eine Profilanalyse Daten: POKIII_AG1_V03.sav Beispiel für eine Daten: POKIII_AG1_V03.sav Es soll überprüft werden, ob es geschlechtsspezifische Unterschiede bei den Einstellungen zum Tanz gibt. Aus dem Fragebogen der AG 1 des POK III wurden folgende

Mehr

Varianzanalyse. SeKo. Heute. Vivien Röder, M.Sc.Psych. Professur für Forschungsmethodik & Evaluation

Varianzanalyse. SeKo. Heute. Vivien Röder, M.Sc.Psych. Professur für Forschungsmethodik & Evaluation ÜbungMethodenlehreII, SeKo VivienRöder,M.Sc.Psych. ProfessurfürForschungsmethodik&Evaluation Einführung wieso,weshalb,warum?, Inferenzstatistik wirwollenanhandeinerstatistik SchlussaufdiePopulationziehen

Mehr

SozialwissenschaftlerInnen II

SozialwissenschaftlerInnen II Statistik für SozialwissenschaftlerInnen II Henning Best best@wiso.uni-koeln.de Universität zu Köln Forschungsinstitut für Soziologie Statistik für SozialwissenschaftlerInnen II p.1 Varianzanalyse Statistik

Mehr

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau

Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 1 Einführung in die statistische Datenanalyse Bachelorabschlussseminar Dipl.-Kfm. Daniel Cracau 2 Gliederung 1.Grundlagen 2.Nicht-parametrische Tests a. Mann-Whitney-Wilcoxon-U Test b. Wilcoxon-Signed-Rank

Mehr

Aufgaben zu Kapitel 8

Aufgaben zu Kapitel 8 Aufgaben zu Kapitel 8 Aufgabe 1 a) Berechnen Sie einen U-Test für das in Kapitel 8.1 besprochene Beispiel mit verbundenen n. Die entsprechende Testvariable punkte2 finden Sie im Datensatz Rangdaten.sav.

Mehr

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher

Planen mit mathematischen Modellen 00844: Computergestützte Optimierung. Autor: Dr. Heinz Peter Reidmacher Planen mit mathematischen Modellen 00844: Computergestützte Optimierung Leseprobe Autor: Dr. Heinz Peter Reidmacher 11 - Portefeuilleanalyse 61 11 Portefeuilleanalyse 11.1 Das Markowitz Modell Die Portefeuilleanalyse

Mehr

Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test

Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Schäfer A & Schöttker-Königer T, Statistik und quantitative Methoden für (2015) Arbeitsblatt 1 SPSS Kapitel 5 Seite 1 Testen von Unterschiedshypothesen mit parametrischen Verfahren Der t-test Im Folgenden

Mehr

EVA. Anhang. I2- Intelligente Infrastruktur 125 / 189

EVA. Anhang. I2- Intelligente Infrastruktur 125 / 189 Anhang Anhang : Regelblätter der RVS 5.42... 26 Anhang 2: Regelblätter des Wiener Baustellen Leit- und Sicherheitssystems... 33 Anhang 3: Abbildungen aus der Schweizer Norm SN 640 885c... 36 Anhang 4:

Mehr

Kollektives Sozialkapital als individuelle Ressource?

Kollektives Sozialkapital als individuelle Ressource? Kollektives Sozialkapital als individuelle Ressource? Vortrag im Rahmen der Tagung Soziale Netzwerke und Sozialkapital 10./11.11.2005 Sandra Landhäußer er,, Heinz-Günter nter Micheel Fakultät t für f r

Mehr

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.

a) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten. Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html

Mehr

Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte

Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Einfaktorielle Varianzanalyse Vergleich mehrerer Mittelwerte Es wurden die anorganischen Phosphatwerte im Serum (mg/dl) eine Stunde nach einem Glukosetoleranztest bei übergewichtigen Personen mit Hyperinsulinämie,

Mehr

Sozialer Abstieg und Konsum

Sozialer Abstieg und Konsum Sozialer Abstieg und Konsum Auswirkungen finanzieller Verknappung auf das Konsumverhalten Inaugural-Dissertation zur Erlangung des akademischen Grades einer Doktorin der Wirtschaftswissenschaft des Fachbereichs

Mehr

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette

7. Mai 2010. Ruhr-Universität Bochum. Methodenlehre II, SS 2009. Prof. Dr. Holger Dette Ruhr-Universität Bochum 7. Mai 2010 1 / 95 Methodenlehre II NA 3/73 Telefon: 0234 322 8284 Email: holger.dette@rub.de Internet: www.ruhr-uni-bochum.de/mathematik3/index.html Vorlesung: Montag, 8.30-10.00

Mehr

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005

Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Statistik II Wahrscheinlichkeitsrechnung und induktive Statistik Erste Klausur zum Sommersemester 2005 26. Juli 2005 Aufgabe 1: Grundzüge der Wahrscheinlichkeitsrechnung 19 P. Als Manager eines großen

Mehr

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen

Motivation. Wilcoxon-Rangsummentest oder Mann-Whitney U-Test. Wilcoxon Rangsummen-Test Voraussetzungen. Bemerkungen Universität Karlsruhe (TH) Forschungsuniversität gegründet 825 Wilcoxon-Rangsummentest oder Mann-Whitney U-Test Motivation In Experimenten ist die Datenmenge oft klein Daten sind nicht normalverteilt Dann

Mehr

Nichtparametrische statistische Verfahren

Nichtparametrische statistische Verfahren Nichtparametrische statistische Verfahren (im Wesentlichen Analyse von Abhängigkeiten) Kategorien von nichtparametrischen Methoden Beispiel für Rangsummentests: Wilcoxon-Test / U-Test Varianzanalysen 1-faktorielle

Mehr

Dokumentation. estat Version 2.0

Dokumentation. estat Version 2.0 Dokumentation estat Version 2.0 Installation Die Datei estat.xla in beliebiges Verzeichnis speichern. Im Menü Extras AddIns... Durchsuchen die Datei estat.xla auswählen. Danach das Auswahlhäkchen beim

Mehr

Projekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil?

Projekt Kaffeemaschine Welche Faktoren beeinflussen das Geschmacksurteil? AKULTÄT ANGEWANDTE SOZIALWISSENSCHATEN PRO. DR. SONJA HAUG Projekt Kaffeemaschine Welche aktoren beeinflussen das Geschmacksurteil? Ausgehend von der Verkostung an der Hochschule Regensburg und der dabei

Mehr

Kapitel 7: Varianzanalyse mit Messwiederholung

Kapitel 7: Varianzanalyse mit Messwiederholung Kapitel 7: Varianzanalyse mit Messwiederholung Durchführung einer einfaktoriellen Varianzanalyse mit Messwiederholung 1 Durchführung einer zweifaktoriellen Varianzanalyse mit Messwiederholung auf einem

Mehr

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10

Analytische Statistik I. Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Analytische Statistik I Statistische Methoden in der Korpuslinguistik Heike Zinsmeister WS 2009/10 Testen Anpassungstests (goodness of fit) Weicht eine gegebene Verteilung signifikant von einer bekannten

Mehr

Eine Einführung in R: Statistische Tests

Eine Einführung in R: Statistische Tests Eine Einführung in R: Statistische Tests Bernd Klaus, Verena Zuber Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig http://www.uni-leipzig.de/ zuber/teaching/ws12/r-kurs/

Mehr

Quantitative Methoden der Bildungsforschung

Quantitative Methoden der Bildungsforschung Glieung Wieholung Korrelationen Grundlagen lineare Regression Lineare Regression in SPSS Übung Wieholung Korrelationen Standardisiertes Zusammenhangsmaß (unstandardisiert: Kovarianz) linearer Zusammenhang

Mehr

Forschungsstatistik I

Forschungsstatistik I Prof. Dr. G. Meinhardt. Stock, Nordflügel R. 0-49 (Persike) R. 0- (Meinhardt) Sprechstunde jederzeit nach Vereinbarung Forschungsstatistik I Dr. Malte Persike persike@uni-mainz.de WS 008/009 Fachbereich

Mehr

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro

Auswerten mit Excel. Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro Auswerten mit Excel Viele Video-Tutorials auf Youtube z.b. http://www.youtube.com/watch?v=vuuky6xxjro 1. Pivot-Tabellen erstellen: In der Datenmaske in eine beliebige Zelle klicken Registerkarte Einfügen

Mehr

Dokumentation Datamining

Dokumentation Datamining Hochschule Wismar University of Applied Sciences Technology, Business and Design Fakultät für Ingenieurwissenschaften, Bereich EuI Dokumentation Datamining Eingereicht am: 13. Mai 2012 von: Karsten Diepelt

Mehr

Teil II: Einführung in die Statistik

Teil II: Einführung in die Statistik Teil II: Einführung in die Statistik (50 Punkte) Bitte beantworten Sie ALLE Fragen. Es handelt sich um multiple choice Fragen. Sie müssen die exakte Antwortmöglichkeit angeben, um die volle Punktzahl zu

Mehr

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen

2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen 4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form

Mehr